要让机器人学会一项新家务，过去常见路径是重新采数据、写固定流程，或做针对性微调。诺因把问题改写成另一句：人类完整演示一次，机器人能不能把物体关系、动作顺序和状态变化一起学会，并在换盒、换壶、换场景后继续干完？
诺因（Knowin）聚焦通用具身智能。9月24日，公司发布GLOW技术报告，完整介绍升级后的生成式学习架构，并把核心突破表述为「一教就会」——人类演示一次，机器人即可实现跨物体、跨环境、跨任务的复用。公开材料把能力验证落在开盒收纳、浇水、擦桌、调酒等家务任务上：换盒换物仍完成开盖—放物—合盖；教学用黑细嘴壶、执行换绿浇水壶仍能迁移抓握与倾倒；人擦出心形轨迹，机器人可复现同类擦拭路径；多杯调酒则要求识别倾倒关系与先后顺序。
架构上，GLOW将原有Brain与Act能力统一到多模态自回归模型KnowinGLOW中，让视觉理解、空间推理、任务规划与动作生成在同一模型内协同，而不是「视觉模块+动作模块」拼接。KnowinDream负责生成物理交互经验，以Home×Event×Future组织训练条件，并改变光照、材质、视角与机器人配置以扩大多样性；KnowinWorld在动作条件下推演碰撞、接触稳定性与路径可达性，训练阶段可替代部分真机试错，运行阶段用于执行前排除无效路径；KnowinAgent（Harness）管理任务记忆、工具调用、反馈与重规划，长程任务偏差时可就地修正，精细操作区自动切换小幅微调。
报告披露的评测口径包括：RoboDojo的18项仿真任务中，GLOW平均成功率62.2%、平均得分71.1，较文中对照的GPT-6（Robocurve）基线分别高出约40个百分点和41.3分；LIBERO-Pro的Object、Goal与Spatial等扰动分项上，独立运行平均成功率86.7%，较GPT-6 Astra的58.2%提升28.5个百分点，六项中五项领先；Embodied Arena的2D-Embodied QA榜单上，KnowinBrain-1.5以65.62综合得分位列参评模型第一。上述数字均来自公司报告设定下的公开披露，便于产业对照，但仍需注意评测协议、扰动定义与对照模型版本差异。
行业正讨论通用大模型是否会「直接操控」机器人。诺因的回应是：自回归架构趋于收敛，竞争重心转向数据与学习方式；专业具身模型要以规模化物理经验、统一认知—行动架构和闭环执行为底座，把通用认知转成可靠物理行动。对开发者，GLOW把「一次演示」从营销口号落成可拆解的模块链；对客户，观察点仍是真机成功率、换场景失败模式，以及后训练是否仍大量依赖定制数据。报告链接公开于公司技术页，后续可跟进开源组件、真机案例与第三方复现。